Research

2026年9月22日Masahiro TaimaBusiness Development管理财务

如何发现成长市场?基于最新研究的成长市场预测方法

Product

免费开始(筹备中) 咨询企业版

Career

我们正在积极招聘与mign一起从事专业型AI代理服务开发的人才

本文由日语原文自动翻译而成

Overview

实现历史性高速增长的企业和国家,早在多数人认识到之前就已向增长领域投资。那么,应该如何发现增长市场呢?本文将增长领域的源泉整理为政治、经济、社会、技术四个外部环境的变化,并将预测手法从S型曲线和赖特法则到弱信号、德尔菲法、领先用户法、情景规划等分为5大类12种手法。本文基于最新研究,全面整理了投资者、企业、研究人员、国家的实践案例,2020年以后的最新研究动向,以及市场预测所特有的局限性。

导言

实现历史性高速增长的企业和国家,早在多数人认识到之前就已向增长领域进行了大规模投资和探索。但是,应该如何发现这样的增长市场呢?本文旨在整理识别增长市场的方法。

本文的新颖之处在于以下三点。

  • 将生成增长领域的源泉整理为外部环境的四个变化,并通过实证研究表明这不仅推动市场,也推动了研究主题和发明方向的变化。
  • 将预测手法分为五大类,并展示了与源泉之间的对应关系。
  • 整理了2020年以后的研究动向。

增长市场的因素

自环境扫描研究(分析外部环境——政治、经济、社会、技术等——并应用于管理的研究领域)的经典著作以来,生成增长领域的源泉一直被整理为政治、经济、社会、技术四个方面的变化(PEST) (Aguilar, 1967)。下面按这四个方面分别阐述。

政治变化

如何影响市场

  • 需求的创造与禁止:监管通过强制或禁止特定产品和技术直接创造和消除需求。设计得当的监管被认为能够促进企业创新,产生既有企业忽视的新市场 (Porter & van der Linde, 1995)。专利数据证实,监管合规性发明集中在监管强化的国家和时期 (Lee, Veloso & Hounshell, 2011)
  • 通过资金配置引导研究:有指定用途的公共研究资金会将研究人员的兴趣转向该主题。美国国立卫生研究院(NIH)的数据表明,当特定领域的资金增加时,研究人员会改变研究课题进行申请,政策推动了研究方向的改变 (Myers, 2020)

具体案例

  • 德国《可再生能源法》与太阳能市场:2000年生效的《可再生能源法》(EEG)保证了20年的固定上网电价,将德国推升为全球最大的太阳能市场,并在全球诱发了光伏电池板制造的大规模投资。该法律从1990年代就开始审议,成立前的预兆已经可以观察到 (Jacobsson & Lauber, 2006)
  • 加州零排放车规制与电动车市场:1990年推出的ZEV规制要求制造商销售一定比例的无排放车辆,随后的加强推动了电动化研究开发。电动车市场的起点之一不是需求,而是监管 (Collantes & Sperling, 2008)
  • 排放标准和催化转化器:美国《清洁空气法》的排放标准强化导致汽车制造商和供应商在与监管时间相符的时期增加了排放控制技术的专利申请。监管决定了发明的时期和方向 (Lee, Veloso & Hounshell, 2011)

经济变化

如何影响市场

  • 购买力的阈值:当收入水平提高,使某种产品的价格降至家庭可支付水平之下时,市场会非连续地启动。新兴国家中产阶层的扩大每年以数千万人为单位增加跨越这一阈值的人口 (Kharas, 2017)
  • 成本下降释放应用:当技术成本下降时,原本"技术上可行但成本过高"的应用会依次变得经济可行并进入市场。许多技术均遵循这样的经验法则:累积产量倍增时成本以固定速率下降,成本下降曲线与应用盈亏平衡点的交点成为市场启动时间的估算依据 (Nagy et al., 2013; Farmer & Lafond, 2016)
  • 相对价格引导发明:当投入资源的价格上升时,节约该资源的技术发明会增加。这一机制被称为"诱发性创新",表明经济信号推动了发明的方向 (Schmookler, 1966; Popp, 2002)

具体案例

  • 新兴国家中产阶层与移动支付:世界中产阶层人口在2010年代迅速扩大,其中大部分位于亚洲 (Kharas, 2017)。没有银行账户但拥有智能手机的人群出现后,产生了中国的移动支付和东南亚的打车、支付平台等先进国家不存在的市场
  • 基因组测序成本下降与个人基因检测:一个人的人类基因组测序成本从2001年的约1亿美元下降到2010年代中期的1000美元左右 (Wetterstrand, 2023)。这一成本下降使得个人基因检测、癌症基因组医疗、农业和畜牧业育种等研究机构之外不可行的应用成为市场
  • 能源价格与节能技术专利:1970年代石油危机以后,能源价格上升在统计上显著增加了节能技术专利申请。价格上升的效果在数年内出现,当价格下降时发明也随之放缓 (Popp, 2002)。这是相对价格变化推动发明方向的最明确实证例子

社会变化

如何影响市场

  • 人口构成的确定性:人口统计学是"已经发生的未来"。今年的出生人数基本上决定了20年后的20岁人口,使得各年龄层的消费、医疗、住房需求可以预见10至20年。在四大源泉中,这是最具确定性的预测材料 (Drucker, 1997)
  • 预期未来需求引导发明:从人口统计推断的未来市场规模推动企业的研究开发方向。研究已证实预期市场越大的领域新产品开发越多 (Acemoglu & Linn, 2004)
  • 价值观与生活方式变化:价值观(环保、健康、时间使用)和家庭结构的变化会将现有产品类别的需求转移到其他类别。与人口统计数据不同,这类变化在数据中显现较晚,只能通过观察先导用户才能及早捕捉 (von Hippel, 1986)

具体案例

  • 日本老龄化与照护、卫生保健市场:日本65岁以上人口的比例从1990年的12%上升到2020年的29%,预计将继续上升 (国立社会保障・人口问题研究所, 2023)。以这一确定性变化为背景,2000年介护保险制度的引入促成了介护服务市场的启动,目前已扩展到陪护、用药管理、介护机器人等技术应用市场
  • 人口统计与新药开发:研究表明,美国人口推移能够预测未来患者数量的疾病,其新药开发和获批数量就越多。预期市场规模大1%时,新药进入增加约4-6%,这是预期未来需求决定发明方向的实证例子 (Acemoglu & Linn, 2004)
  • 女性就业扩大与时间节约、托育服务市场:20世纪后半女性就业与职业发展的扩大被称为"静悄悄的革命" (Goldin, 2006),通过双职工家庭的增加,在各国推动了托育、快餐、家务代理等时间消费服务市场的扩大。这是人口统计和价值观变化相交叠的案例

技术变化

在四个源泉中,这是引起最非连续变化的源泉,将重点阐述。

如何影响市场

  • 通用技术驱动的应用领域连锁:蒸汽机、电力、IT等通用技术(General Purpose Technology)本身不产生价值,而是通过补充性创新的连锁产生无数应用领域 (Bresnahan & Trajtenberg, 1995)。这一连锁在基础设施→平台→应用的层级中反复观察到,一旦可以确认通用技术的出现,就能做出"接下来增长的是其应用层,随后开启的是应用层的研究课题"这样的结构性预测 (Andreessen, 2011)
  • 长期时间结构:通用技术要在生产率中得到体现,需要业务流程和组织再设计等补充性再创新,需要数十年时间。从发明到普及的滞后期历史上平均为45年,这一滞后差异可以解释各国收入差距的约四分之一 (Comin & Hobijn, 2010)。技术革命遵循"导入期→狂热和泡沫→转折点→展开期"的共同模式,这在产业革命以来的五波中得到证实 (Perez, 2002)
  • 成本曲线驱动的市场逐步释放:"累积产量每倍增成本以固定速率下降"的经验法则(赖特法则)在62项技术验证中被证实具有高预测力 (Wright, 1936; Nagy et al., 2013)。每当成本下降时,新应用就会变得经济可行,市场呈阶梯状开放

具体案例

  • 电力与工厂生产率(约40年滞后):电力于1880年代实用化,但工厂生产率的提高体现在1920年代。这是因为基于蒸汽机的工厂布局和作业设计需要重新设计以适应电动机,需要约40年的补充性再创新 (David, 1990)。这是原型性案例,说明通用技术市场不是在技术出现时启动,而是在配套资产完善时启动
  • 互联网、云计算与应用市场层级:在互联网基础设施上建立的电商、搜索、SaaS,在智能手机平台上建立的应用经济,在云上建立的API经济,分别以约10年的间隔依次启动。2011年"软件正在吞没世界"的观察将这一层级结构转化为投资论题 (Andreessen, 2011)
  • 从GPU和深度学习到通用AI、再到专用型AI代理:2009年,GPU被证明可将深度学习训练速度提升数十倍 (Raina, Madhavan & Ng, 2009),2012年用GPU训练的神经网络在图像识别中压倒性胜出,引发深度学习热潮 (Krizhevsky, Sutskever & Hinton, 2012)。并行计算成本的崩塌为基础模型(通用AI)奠定了基础,作为其应用层的专用型AI代理市场随之打开。NVIDIA在2006年对CUDA的投资正是对这一链条最上游的押注 (Witt, 2025)
  • 太阳能和电池的成本曲线:太阳能发电成本在约40年间,随着累积产量每翻倍而持续下降约20%,2010年代在许多地区已低于现有电源成本 (Farmer & Lafond, 2016)。锂离子电池也遵循同样规律下降,超越了电动汽车经济可行性的阈值 (Ziegler & Trancik, 2021)。外推成本曲线,两个市场的启动时期早可在十年以上前估算出来

这四种外部环境变化并非独立,而是相互关联。电动汽车市场正是电池成本下降(技术)×排放法规(政治)×脱碳价值观(社会)×新兴市场需求(经济)的乘积而启动的。太阳能市场也是成本曲线(技术、经济)与电力收购制度(政治)及环保规范(社会)同向的结果。当多个驱动因素同向时,领域的成长确定性最高

成长市场预测方法

作为检测和量化成长市场变化因素的手法,可整理为5大类、12种方法。以下从概述、产生背景、具体案例三个角度对各方法进行说明

外推·模型系统

对过去数据应用规律,向未来延伸的系统。当数据存在时最为定量化,不存在时则借用类似案例

S型曲线/普及理论

  • 概述:新技术的普及遵循创新者(2.5%)→早期采用者(13.5%)→早期大众(34%)→晚期大众(34%)→落伍者(16%)的顺序进行,累积形成S型曲线。普及率达到10~20%时,可推估S型曲线的斜率,从而外推饱和水平和到达时期 (Rogers, 1962)
  • 产生背景:原点是1930年代美国爱荷华州关于混合玉米在农民中推广过程的社会学研究。采用时期的分布接近正态分布,累积形成S型曲线 (Ryan & Gross, 1943)。经济学家在各州数据中重现了这一规律,证明了普及速度与收益性成正比 (Griliches, 1957)。Rogers整合了500多项普及研究,将其体系化为一般理论
  • 具体案例:彩色电视、手机、智能手机、互联网的普及率在美国家庭中都呈S型曲线。1980年代美国手机预测的误差超过实际100倍,原因在于用直线延伸初期的缓慢上升段 (The Economist, 1999)。反之,在普及率超过10%时运用S型曲线,饱和水平的读数精度会相当高 (Rogers, 1962; The Economist, 1999)

Bass模型

  • 概述:将S型曲线用"创新系数p(通过广告或外部信息自发采用的力量)"和"模仿系数q(通过既有采用者口碑传播的力量)"两个系数进行数学建模。可从累积采用者数计算下期采用者数,解析求解峰值时期和市场规模。对213项应用研究的元分析显示,p的平均值约0.03,q的平均值约0.38 (Bass, 1969; Sultan, Farley & Lehmann, 1990)
  • 产生背景:1960年代,家电制造商在制定彩色电视等耐用消费品的生产计划时,需要从上市后数年的数据预测销售峰值。Bass在冰箱、冷冻柜、电视等11种产品上验证了模型的适用性,并提前预测了彩色电视的销售峰值时期 (Bass, 1969)
  • 具体案例:卫星电视DirecTV在1994年服务启动前,借用有线电视等类似服务的系数用Bass模型预测五年加用户数,与实际结果基本吻合。这是展示模型即使在上市前也能发挥作用的代表案例 (Bass et al., 2001)

赖特定律(经验曲线)

  • 概述:"累积产量每翻倍,单位成本就下降一定比例(因技术而异,为10~30%)"的经验规律。从成本而非需求端预测市场启动。成本下降线与使用在经济上可行的阈值相交时,就是市场打开时期的估算点 (Wright, 1936)
  • 产生背景:1936年,航空工程师Wright发现,飞机组装工时随累积生产架数增加而以一定比例递减。该规律在第二次世界大战期间用于军用机生产计划,1960年代被波士顿咨询公司作为"经验曲线"引入企业战略 (Wright, 1936; Boston Consulting Group, 1968)。进入2010年代,对62项技术数据的统计验证表明,该规律的预测力超过其他预测方法 (Nagy et al., 2013)
  • 具体案例:自1976年以来,太阳能发电模块成本随累积产量每翻倍而持续下降约20%,2010年代在许多地区已低于火电成本。锂离子电池也遵循同样规律下降,超越了电动汽车经济可行性的阈值 (Farmer & Lafond, 2016; Ziegler & Trancik, 2021)。若在1980年外推此规律,就能预测太阳能市场在2010年代打开

参考类预测

  • 概述:不是从"内部"自下而上预测对象,而是调查类似先例(参考类)的实际结果分布,将对象定位在该分布中。新市场预测时,借用类似技术的普及系数或到达峰值的年数 (Kahneman & Tversky, 1979; Flyvbjerg, 2006)
  • 产生背景:心理学家Kahneman和Tversky证明了人从"内部"看自己的计划时系统性地过度乐观(计划谬误),并提出了外部视点的修正程序 (Kahneman & Tversky, 1979)。Flyvbjerg通过258个交通基础设施项目的数据显示90%都超支 (Flyvbjerg, Holm & Buhl, 2002),开发了从参考类分布推导修正率的实用方法。英国财政部于2004年将其纳入公共事业评估的官方指南 (Flyvbjerg, 2006)
  • 具体案例:新家电产品的销售预测中,参考类似产品的普及曲线预测的精度高于仅凭管理层判断的预测 (Goodwin, Dyussekeneva & Meeran, 2013)。DirecTV的上市前预测也是参考类预测的一种,借用了类似服务的系数 (Bass et al., 2001)。若要估算专用型AI代理的普及,SaaS和云服务的企业采用率变化趋势可作为参考类候选

信号检测系统

数据数字化前的片段性预兆的采集系统

弱信号(weak signals)

  • 概述:系统性地收集和解释大变化前出现的、片段性、模糊的预兆(弱信号)的思想。结合"分阶段应对",根据信号的确定性程度逐步加强响应 (Ansoff, 1975)
  • 产生背景:1973年石油危机使当时主流的长期经营计划对不连续变化无能为力,成为契机。战略管理理论创始人Ansoff主张,等待信息充分汇集为时已晚,必须在弱信号阶段就开始行动 (Ansoff, 1975)。2000年代作为"周边视野"研究得以体系化,组织忽视信号的原因和对策被逐一整理 (Day & Schoemaker, 2006; Schoemaker & Day, 2009)
  • 具体案例:玩具制造商美泰对其主力产品芭比娃娃的销售被竞争对手勃兹(Bratz)侵蚀的预兆(少女审美偏好的变化、零售店陈列变化)数年视而不见,最终大幅丧失市场份额。这被分析为信号存在但组织缺乏采集机制的典型例子 (Day & Schoemaker, 2006)。相反,在监管领域,法案提出、审议、公开征询意见是弱信号的典型,在立法前数年就能观察到

专利和论文的计量分析

  • 概述:通过专利申请数加速、论文数增长率、引用网络结构变化、跨领域融合等指标,在新兴技术商业化前数年检测出来。近年还可将多个指标投入机器学习进行自动分类 (Lee et al., 2018)
  • 产生背景:1955年提出了论文引用索引 (Garfield, 1955),1960年代作为《科学引文索引》(Science Citation Index)实用化,使科学动向的计量追踪成为可能。对于专利,高被引专利的经济价值较高这一点得到实证 (Hall, Jaffe & Trajtenberg, 2005),专利数据成为测量技术价值和方向的工具
  • 具体案例:基因编辑技术CRISPR-Cas9在2012年论文发表后,相关论文数和专利申请数在数年内急增,先于2020年获得诺贝尔化学奖和众多企业创立。通过跟踪论文计量,可在应用市场启动前数年检测到 (Foster, Rzhetsky & Evans, 2015)。同样的手法对研究人员也有效,是发现新兴未饱和领域的工具

集合智慧·判断系统

数据不存在、必须依赖人类判断的场景下,通过收集判断的方式和训练提高精度的系统

德尔菲法

  • 概述:向专家进行匿名预测,反馈汇总结果和理由后再次回答,重复数次以收敛意见的手法。匿名性防止盲目跟风,迭代过程共享信息 (Dalkey & Helmer, 1963)。该方法以古代希腊的神殿所在地"德尔斐"命名,正如人们在国家重大决策时求助于德尔斐神谕一样,该方法汇聚众多专家的见解和预测来预测和决策未来。
  • 发展背景:1950年代冷战时期,RAND研究所为美国空军开发了该方法,以应对数据不存在的军事问题(例如:美国需要多少原子弹来在苏联攻击中将军需生产降低一定幅度)而开发的,需要汇聚专家判断。会议形式存在权威人士和能言善辩者的意见容易导致他人跟风的问题,而匿名迭代解决了这一问题 (Dalkey & Helmer, 1963)。后来的实证研究评述显示,德尔斐法在12项研究中超过了仅进行统计汇总的群体,在5项研究中全部超过了常规面对面群体 (Rowe & Wright, 1999)
  • 具体案例:日本科学技术预测调查自1971年以来,每约5年用德尔斐法向数千名专家询问未来科学技术的实现时期,第11次调查涉及约700个科学技术话题。这是持续半个世纪的全球最长德尔斐调查 (科学技术・学术政策研究所, 2019)

预测市场

  • 概述:"◯年前X会发生"这样的预测以证券形式进行买卖,其价格作为概率的估计值来解读的方法。该方法利用市场功能将分散的信息集中到价格中进行预测 (Wolfers & Zitzewitz, 2004)
  • 发展背景:价格汇聚分散知识的洞察源于经济学经典著作 (Hayek, 1945)。1988年爱荷华大学开设了总统选举预测市场,其预测得票率的准确性超过了民调 (Forsythe et al., 1992),引起关注。2000年代开始在企业内部应用,经济学家开始倡议将其用于政策 (Arrow et al., 2008)
  • 具体案例:惠普在公司内运营员工打印机销售预测市场,在8个案例中有6个案例比公司官方销售预测更准确 (Chen & Plott, 2002)。谷歌和福特的企业内预测市场分析也表明,价格大体上发挥了校准概率的作用,能够纠正企业官方预测中包含的乐观偏差 (Cowgill & Zitzewitz, 2015)

超级预测(Superforecasting)

  • 概述:将预测视为可训练的技能,通过(1)将大问题分解为可回答的小问题,(2)从基础比率(类似事件的历史发生率)开始,用个别情况进行调整,(3)用细致的刻度表达概率,用新信息进行小幅更新,(4)团队讨论,(5)记录成绩并反思,这些步骤来提高精度的方法 (Tetlock & Gardner, 2015)
  • 发展背景:基于20年研究表明专家预测与黑猩猩不相上下的结果 (Tetlock, 2005),美国信息机构IARPA从2011年开始举办为期4年的地缘政治预测竞赛,让多个研究团队相互竞争。Tetlock团队通过培训普通志愿者,选拔顶尖2%的"超级预测者"并将其组队,大幅超越其他团队 (Mellers et al., 2014)
  • 具体案例:"5年后专用AI代理在中型企业的◯%中被采用吗"这样的问题直接无法回答。超级预测的步骤会将其分解为(a)类似技术(SaaS、RPA)的企业采用率在5年内达到多少(基础比率)、(b)采用的前提条件(API就绪、法规、价格)需要多少年才能具备、(c)先行指标(试点采用公告数、招聘信息)如何变化,对每一项分别设置概率并合成。仅从基础比率出发就能超过专家直觉的准确性 (Tetlock & Gardner, 2015)

需求侧探索类

通过对人的观察从尚未出现在市场调查中的需求中发现的系统方法。

主导用户法

  • 概述:寻找比普通用户提前数年面临课题、因现有产品无法解决而自行开发解决方案的前沿用户(主导用户),从其解决方案中读取未来市场的方法。要点是在公司市场的外部、在相邻领域以更极端形式面临类似课题的地方寻找主导用户 (von Hippel, 1986)
  • 发展背景:科学仪器领域中,77%的重要创新不是由制造商而是由用户(研究人员)生成的这一发现是其原点 (von Hippel, 1976)。制造商通过市场调查向普通用户提问也看不到新的需求,因为他们还没有面临这些课题,基于这一思路,学会了直接从前沿用户学习的方法,于1986年正式定义 (von Hippel, 1986)
  • 具体案例:3M医疗事业部在手术感染防控课题上,不是向自己的客户外科医生请教,而是寻找在更极端条件下面临同样课题的主导用户——兽医(有毛患者)、好莱坞化妆师(皮膜长时间贴合)、发展中国家的外科医生(无设备环保感控),从而获得了新的感染防控产品概念 (von Hippel, Thomke & Sonnack, 1999)。主导用户法产生的创意显示出约8倍于常规方法的销售潜力 (Lilien et al., 2002)

工作理论

  • 概述:不是顾客在购买产品,而是在"雇用"产品来完成"要处理的工作(工作)",以工作的单位而非现有产品类别或顾客属性来重新定义市场的方法。以工作的单位看时,市场规模和竞争者都会改变 (Christensen et al., 2016)
  • 发展背景:"顾客想要的不是钻头而是洞"这一营销古典洞察 (Levitt, 1983) 由Christensen在破坏性创新研究中理论化。来自于对既有企业因按顾客属性(年龄、收入)划分市场而忽视新需求失败的分析 (Christensen, 1997; Christensen et al., 2016)
  • 具体案例:某快餐连锁店改进奶昔的味道和价格试图提升销售,但效果不明显,通过观察发现早上的许多购买者是为了"打发通勤无聊,抑制饥饿直到中午"这个工作而购买。这个工作的竞争对手是香蕉和甜甜圈,奶昔的市场规模应该按"通勤时间市场"而非"甜点市场"来衡量的案例 (Christensen et al., 2016)

结构·情景类

当不确定性高到单一预测没有意义时,描绘多个未来以做好准备的系统。

情景规划

  • 概述:不将预测限定为一个,而是将确定因素(人口统计等)和重要的不确定性(法规、技术突破等)区分开来,通过不确定性的组合描绘2~4个相互一致的未来图景,并监视各情景的先行指标的方法。目的不是预测准确,而是准备能够应对任何情景的决策 (Schoemaker, 1995)
  • 发展背景:1950~60年代,RAND研究所的Herman Kahn开发了以多个情景描述核战争进程的手法 (Kahn & Wiener, 1967)。Shell公司将其引入企业管理,1970年代初向经营高层展示了"油价急升,产油国掌握主导权"的情景,并在1973年石油危机中比竞争对手更早做出响应。负责人Wack在1985年将其经验论文化 (Wack, 1985)
  • 具体案例:Shell在1980年代还描绘了苏联体制变化和油价暴跌的情景,据说为1986年原油价格暴跌做了准备 (Schwartz, 1991)。在成长市场预测中应用的案例中,例如专用AI代理,可以用"AI法规强度(强/弱)"和"基础模型成本下降(快/慢)"两个轴画出4个情景,明示在各情景中不同应用领域启动的时期,同时监视法规审议进展和推理成本变化作为先行指标 (Schoemaker, 1995)

源泉与手法的对应

5个系统对应前章的4个源泉时,使用场景就变得明确了。

  • 政治变化:结构·情景类(按法规·预算分支建立情景,监视先行指标)
  • 经济变化:外推·模型类(成本曲线·相对价格·宏观指标)
  • 社会变化:外推·模型类(人口统计)+需求侧探索类(价值观变化)
  • 技术变化:信号检测类+外推·模型类(专利·论文→S曲线·成本曲线)

实践者的具体案例

在学术之外,杰出的研究人员、投资者、企业和国家也在实践与上述方法相同的做法。本部分整理各类别中用什么手法和行动来预测成长市场。

投资者

投资者是最直接将成长市场预期转化为收益的主体。但VC、成长股投资者、对冲基金、机构投资者在时间框架和手法上存在很大差异。

  • 风险投资(Sequoia Capital):投资过Apple、Cisco、Google的Don Valentine将投资判断的首要标准设为"市场规模"。他说过"我投资的是市场而不是人",并反复强调即使是优秀经营者,在小市场中也成不了大企业 (Valentine, 2010)
  • 风险投资家(Y Combinator、Andreessen Horowitz、Founders Fund):Y Combinator的Paul Graham曾说"住在未来,建造缺失的东西",他认为走在技术前沿的人所感受到的不便就是未来的市场。这是先进用户法的实务版本 (Graham, 2012)。Andreessen Horowitz的"软件正在吞噬世界"论点将通用技术理论转化为投资框架,该公司先提出特定的论点(云计算、移动、AI)并公开发布,然后按照这些论点进行投资,这是结构情景分析的实务版本 (Andreessen, 2011)。Founders Fund的Peter Thiel提出的问题"几乎没人同意的重要真理是什么"表明,只有与共识相悖的预测才能产生超额回报 (Thiel & Masters, 2014)
  • 成长股长期投资者(Baillie Gifford):苏格兰资产管理公司Baillie Gifford在Amazon和Tesla上市后的早期就开始投资,并持有了十多年。其依据是关于股票回报极度集中的实证研究。根据1926年以后的美国股票分析,整体财富创造来自排名前4%的股票,其余96%的股票回报等于或低于短期国债 (Bessembinder, 2018)。该策略不是预测整个市场,而是选择少数在成长市场中可能成为绝对赢家的公司,集中投资并长期持有,这种策略由这种分布特征推导而来
  • 主题型主动管理(ARK Invest):ARK Invest明确使用赖特定律(累积产量翻倍时成本下降),外推电池、基因组测序、AI等技术的成本曲线,预测应用市场的启动时期并进行投资 (ARK Invest, 2024)。这是本文外推和模型系方法在投资中的直接应用案例,但该公司资产管理规模自2021年达到峰值后大幅下滑,说明即使技术方向预测正确,进入价格和时机的错误仍会导致损失 (Perez, 2002; Siegel, 2005)
  • 宏观对冲基金(Bridgewater Associates):由Ray Dalio领导的Bridgewater系统整理了过去数百年债务危机、货币危机和权力更迭的案例,根据当前情况与过去哪个阶段相似来做判断 (Dalio, 2018)。这是参考类预测在金融市场上的实务应用版本。另一方面,George Soros理论化了"市场参与者的预测推动价格,价格推动实体"的"反身性",将预测会改变其对象这一自指性的限制放在投资策略的中心 (Soros, 1987)。这是以预测的局限性本身作为收益来源的例子
  • 量化对冲基金(Renaissance Technologies):由数学家James Simons创办的Renaissance Technologies完全不预测市场增长或企业未来。它限制自己于用短期(数天内)捕捉价格数据的统计模式进行交易,通过放弃长期预测来维持高收益 (Zuckerman, 2019)。这是从相反方向认识限制的例子,即"区分可预测的东西(短期统计规律性)和不可预测的东西(长期市场方向),只押注前者"
  • 价值投资者(伯克希尔哈撒韦):Warren Buffett明确避免通过预测成长市场来进行投资。在2007年的致股东信中,他说"最差的生意是增长迅速、需要大量资本维持增长却利润微薄的生意。想想航空业就知道了" (Buffett, 2008)。他切断了市场增长性与投资回报之间的联系,只在自己理解范围(能力圈)内选择具有持续竞争优势的企业。这是一个以成长市场预测的难度和成长不一定转化为利润这一局限作为投资哲学前提的例子
  • 机构投资者(淡马锡、耶鲁大学基金):新加坡政府投资公司淡马锡提出了"数字化""可持续生活""消费未来""长寿化"四个结构性趋势,并按照这些主题调整投资组合 (Temasek, 2023)。这是将本文四个源泉(技术、社会、经济、人口统计)转化为机构投资者资产配置的例子。领导耶鲁大学基金的David Swensen从1980年代开始将配置转向风险投资和未上市股权等信息不对称性大、预测技术能获得回报的资产类别,彻底改变了大学基金的管理模式 (Swensen, 2009)。这不仅是选择"哪个市场会增长",而是选择"哪个市场的判断眼光能转化为超额回报"的例子
  • 实证研究显示的投资者判断:对885位VC的调查表明,在选择投资对象时,最重视的因素是管理团队,其次是市场和商业模式 (Gompers et al., 2020)。另一方面,200多家公司的事后分析显示时机是解释成功的最主要因素 (Gross, 2015)。VC回报呈现少数大成功支撑全局的极度偏斜分布 (Kerr, Nanda & Rhodes-Kropf, 2014),上市股票也有类似偏斜 (Bessembinder, 2018),因此市场判断不只是"投资哪个项目"的问题,而是作为"在哪个领域分散进行多个小额赌注,以及如何集中于赢家"的投资组合设计问题而发挥作用。在上市股票主动管理中,扣除费用后超越市场平均的管理者寥寥无几 (Fama & French, 2010),各国经济增长率与股票回报的相关性接近零或为负 (Ritter, 2005)。预测成长市场的能力与该预测转化为投资回报是实证上的两个不同问题

企业

  • Amazon(Working Backwards、AWS):先写未来的新闻稿,再从顾客价值反向推导开发的"Working Backwards"是需求侧探索的制度化。该公司用这个方法在2000年代初期从自身基础设施运维的课题中发现了"其他公司也有相同课题"这一需求,于2006年启动了云服务AWS。这是从内部先进用户(自身开发团队)的课题中发现外部市场的例子 (Bryar & Carr, 2021)
  • NVIDIA(CUDA):2006年,在深度学习热潮前数年,NVIDIA开始投资GPU通用计算平台CUDA。初期市场不存在,投资者提出批评,但公司押注于并行计算成本的暴跌,同时观察研究人员开始使用GPU的信号 (Raina, Madhavan & Ng, 2009; Krizhevsky, Sutskever & Hinton, 2012),继续投资并等待应用领域的出现 (Witt, 2025)。这是技术起点预测和阶段性更新的代表例
  • Intel(战略转折点):1985年,CEO Andy Grove发现日本制造商的进入正在蚕食主力内存业务利润的信号,决定放弃创业事业转向专注微处理器。Grove从这次经验中将产业结构变化的迹象称为"战略转折点",并将检测方法系统化 (Grove, 1996)。这说明撤退的判断也是市场预测的输出
  • Netflix(流媒体):1997年创立时,Netflix从DVD邮寄租赁开始,但公司名称中含有"Net",预见随着宽带普及和通信成本下降(成本曲线),未来会转向流媒体。2007年推出流媒体服务,自我替换了自身主力业务 (Keating, 2012)。这是成本曲线外推和对破坏性创新自身率先采用的判断的例子
  • Shell(情景规划):如前所述,在1970年代初期,Shell为石油危机情景做了准备,在1973年石油危机时比竞争对手更快地做出反应 (Wack, 1985)。半个世纪以来维持情景部门的Shell是企业前景规划的原型
  • 实证研究显示的企业前景规划效果:对欧洲83家企业为期7年的追踪研究表明,拥有对未来的准备(前景规划职能)的企业比没有的企业利润率高33%,时价总额增长率约为两倍 (Rohrbeck & Kum, 2018)。这证明拥有常设的探索职能而不是单次预测能够关系到业绩

研究人员

  • Richard Hamming(贝尔实验室):Hamming指出取得重大成果的研究人员的共同点是"选择重要问题"和"开门工作(对周围信息敞开心胸)"。他每周五下午用来思考"什么是重要问题,我为什么没有从事这项工作",并建议尽早进入正在展开的领域 (Hamming, 1986)。这是信号检测常时运转和早期进入的实务版本
  • Katalin Karikó(mRNA研究):从1990年代起,Karikó从事当时几乎无人资助的mRNA治疗应用研究。经历了所在大学的降级和研究费不通过,2005年她发表了抑制mRNA免疫原性的修饰核苷方法,这成为2020年mRNA疫苗的基础,进而导向2023年诺贝尔生理学或医学奖 (Karikó et al., 2005)。这体现了研究领域"太早进入"与商业"太早进入"具有不同时间轴这一点,以及从发明到普及可能相隔数十年 (Comin & Hobijn, 2010)
  • GPU和深度学习研究人员:2009年,斯坦福大学团队展示了用GPU可以将深度学习训练加速数十倍 (Raina, Madhavan & Ng, 2009)。2012年,多伦多大学团队用两块GPU训练的神经网络在图像识别竞赛中压倒性胜利,成为深度学习热潮的起点 (Krizhevsky, Sutskever & Hinton, 2012)。这是许多研究人员还未关注并行计算成本暴跌这一技术信号时,研究人员将其转化为研究主题的例子
  • 实证研究所示的选择方法:在对1,790万篇论文进行分析的研究中,影响力最大的论文具有这样的结构:"大多数是通用知识的组合,但包含一个独特的组合要素"(Uzzi et al., 2013)。结合"对新领域的投入会产生高影响但失败率也高"(Foster, Rzhetsky & Evans, 2015)这一发现,可以总结出优秀研究人员是通过"以自身积累为基础,向正在成长的邻近领域迈出一步"的方式实现早期进入的

国家

  • 新加坡(RAHS):从2004年起,将RAHS(风险评估·水平扫描)设为政府常设功能,制度化了微弱信号的检测。此外,2009年在总理办公室设立了战略未来中心,统领各部门的情景规划(Habegger, 2010)。这是国家规模内信号探索常态化运作的例子
  • 日本(科学技术预测调查):自1971年以来,每隔约5年进行一次的德尔菲调查已有悠久传统,第11次调查中,数千名专家对约700个科学技术课题的实现时期进行了预测。这是持续半个多世纪的全球最长的德尔菲调查(科学技术·学术政策研究所, 2019)
  • 英国(Foresight项目):1994年在政府科学局的主导下启动,跨领域专家小组研讨10-20年后的技术和社会变化,并将其反映在政策中(Habegger, 2010)
  • 美国(DARPA):1958年,为应对苏联人造卫星斯普特尼克而设立的国防高级研究计划局在市场尚不存在的阶段向技术领域投入资金,创造了互联网原型(ARPANET)、GPS、自动驾驶汽车(2004年大挑战)等,奠定了后来巨大市场的基础(Fuchs, 2010)。也有研究指出iPhone的许多关键技术来源于公共研究资金(Mazzucato, 2013)。这是国家承担"过早进入"时间成本的例子
  • 台湾(ITRI与TSMC):1970年代,政府系工业技术研究院(ITRI)从美国引进半导体技术,1987年TSMC作为ITRI的分离体而成立。这是读懂了半导体市场的长期增长和设计与制造分业这一产业结构变化,以国家身份押注当时不存在的专业代工(晶圆代工)层级的例子(Mathews, 1997)

上述4个类别的共通之处如下

  • 不进行一次性的预测:Hamming的周五下午、Sequoia的市场标准、Shell的情景部门、新加坡的RAHS都常设有持续捕捉信号的机制
  • 对技术和监管信号反应迅速:NVIDIA、Netflix、DARPA、台湾都在成本曲线和产业结构变化的数字显现之前就已采取行动
  • 下注后继续进行监测和更新:NVIDIA在确认研究人员GPU使用情况的同时继续投资,Intel决定退出,这些都是预测发布后进行验证和更新实践的体现
  • 根据角色灵活运用不同时间轴:研究人员和国家以数十年为时间轴、VC以10年、企业以5-10年的时间轴对相同信号做出反应,进入较早的角色承担更长的滞后期(Comin & Hobijn, 2010)

关于成长市场预测的最新研究动向

以下整理的主要是2010年代后期至2026年期间发表的研究。关于成长市场预测的研究观点在这十年间发生了如下变化

改变观点的3个背景

  • 数据和计算方法的进步:论文、专利、招聘信息、财务说明会议记录等文本已成机器可读,可用深度学习进行大规模处理。曾经依赖于专家判断或少数案例研究的"新领域会在哪里打开"这一问题,已转变为用数百万数据进行验证的实证科学(Bloom et al., 2021; Ebadi, Auger & Gauthier, 2022)
  • 预测竞赛作为实验基础:美国情报机构IARPA从2011年起开展的地缘政治预测竞赛,生成了数千名预测者的精度以相同问题进行测量和比较的首个大规模数据,成为"谁、以何种方法、多精确地进行预测"的统计验证基础(Mellers et al., 2014; Tetlock, Mellers & Scoblic, 2017)
  • 能源转变与通用AI这两项技术转变:太阳能和电池成本以超过主要机构预测的速度下降,提供了大量预测方法事后验证的材料(Meng et al., 2021)。与此同时,大规模语言模型的出现使"这一通用技术何时传播到哪些产业"的普及预测需求激增,这本身也成为研究对象(Eloundou et al., 2024)

以下按各专题概览研究动向

技术预测

  • 基于经验曲线的概率预测的确立:长期以来,技术成本和性能改善速度不可预测的观点占主导地位。从2010年代中期开始,基于50多项技术的成本历史数据、使用经验曲线(莱特法则)进行概率预测的事后验证研究不断积累,已达到包括预测误差分布在内能够给出置信区间的水平(Farmer & Lafond, 2016; Lafond et al., 2018)。决定性的是一项对能源技术专家估算与统计模型预测进行事后比较的研究,表明统计模型比专家更准确,而专家对成本下降进行了系统性的低估(Meng et al., 2021)。用这一发现对太阳能、风能和电池成本下降进行概率预测,导出了推进能源转变越快总费用越低的结论(Way et al., 2022)
  • 向无市场技术的拓展:预测对象已从具有成本历史的技术扩展到尚无市场的技术。开发了从专利数据推估各技术领域改善率的方法,对1,757个技术领域的年度改善率进行了预测(Singh, Triulzi & Magee, 2021)。关于新兴技术本身,也提出了以激进的新颖性、相对快速的增长、一致性、显著的影响和不确定性这5个属性进行定义的框架(Rotolo, Hicks & Martin, 2015),基于此框架对专利多项指标进行机器学习处理,已证明能在早期阶段识别出后来增长的技术(Lee et al., 2018)。深度学习在论文、专利和新闻文本中检测微弱信号的方法也在进步(Zhou et al., 2020; Ebadi, Auger & Gauthier, 2022),欧盟联合研究中心已将其纳入年度实际运营(European Commission Joint Research Centre, 2024)
  • 到达点:作为到达点,"该技术何时在经济上成立"和"哪种技术接下来会崭露头角"这些问题已可以用统计依据而非专家直觉来回答。后述市场预测的局限中,直线外推的陷阱和专家的低估都可用这种方法来纠正。数据和方法已公开,个人研究人员和中小企业也能进行相同水平的探索

扩散与需求

  • 用文本数据追踪扩散:新技术的普及曾是通过销售额和普及率在统计中出现后才测量的。进入2020年代,结合企业财务说明会议记录、专利和招聘信息的文本,开发出了对包括云计算和智能手机在内的29项颠覆性技术在哪家企业、哪个城市、何时扩散的追踪方法。研究表明新技术就业最初集中在少数先进城市,随着时间推移而扩散(Bloom et al., 2021)。使用招聘信息以机器学习验证"通用技术"条件(快速改善、广泛的产业渗透、诱发补充性创新)的研究表明,与其他新兴技术相比,通用技术的特性更强(Goldfarb, Taska & Teodoridis, 2023)。关于大规模语言模型,也从各职业的任务构成推估受其影响的劳动力市场范围,约80%的劳动者的业务某部分受影响(Eloundou et al., 2024)。实证表明,招聘和财务说明这样的公开数据比市场统计早数年成为先行指标
  • 需求驱动发明的因果证明:从需求侧验证了"对未来市场规模的预期是否真正推动了发明方向"这一问题。在制药产业中,根据人口统计预期的市场规模越大的疾病领域,新药开发越多(Acemoglu & Linn, 2004),市场规模每增长1%,新药数量约增长0.2%的弹性已被推估(Dubois et al., 2015)。在汽车产业中,燃料价格上升的国家的制造商更多研发电动化等清洁技术专利而非内燃机(Aghion et al., 2016),疾病负担大的国家其治疗药物的生产和出口增加,这是需求甚至推动生产地点变化的证据(Costinot et al., 2019)。市场预期不仅涉及"是否准确",还涉及"他人是否做出同样预期而进入"的竞争问题
  • 从科学到市场的路径和时间:从科学到市场的路径和时间也可以被计量了。对480万件专利和3,200万件论文引用网络的分析研究表明,市场价值高的专利更接近基础科学,影响力大的论文更接近技术应用(Ahmadpoor & Jones, 2017),专利引用论文的数据库已建立完善,可大规模追踪哪些领域的科学被用于产业(Marx & Fuegi, 2020)。另一方面,对通用技术的投资反映在生产率上需要对业务流程、人才、数据等补充性无形资产的投资,统计上在这个阶段生产率会暂时下降,呈现"J曲线"(Brynjolfsson, Rock & Syverson, 2021)。基于这一研究系谱,可以预期通用AI的基础模型性能改进不如业务流程和数据的整备成为普及的限速步骤

研究前沿

  • 破坏性成果的减少与成熟领域的僵化:关于新研究领域将在何处开放、研究人员应该在何处下注这样的问题,大规模数据已经开始给出答案。一项分析了4500万篇论文和390万项专利的研究表明,在所有领域中更新既有知识的"破坏性"成果的比例持续下降(Park, Leahey & Funk, 2023),并且确认了越是成熟的领域越难以让新想法得到认可的现象(Chu & Evans, 2021)。在研究人员一侧,集中于已确立的热门领域的保守战略占据主导,而数百万篇论文表明对新领域的下注能够产生高影响力(Foster, Rzhetsky & Evans, 2015)。
  • 新颖性评估的时间差:新颖性评估存在时间差。包含异例组合的高新颖性论文短期内不容易被引用,但长期来看具有高影响力,呈现出"姗姗来迟才被认可"的模式(Wang, Veugelers & Stephan, 2017),而影响力最大的论文具有这样的结构:在常规知识组合的基础上仅在一处包含异例组合(Uzzi et al., 2013)。不过,大规模研究也确认了研究人员转向远离专业领域的主题时成果影响力会下降的"转向惩罚"现象(Hill et al., 2025),因此进入新领域应该以与自身积累相邻的方式进行才是合理的。
  • 达成的认识:总结起来,新领域不易在成熟大领域的中心开放,而往往在领域边界和小领域中开放,这存在一定的规律性。对于研究人员和发明人来说,"成长市场"就是与自己专业相邻、尚未拥挤的边界领域,这是当前研究所揭示的认识达成。

人类与AI的判断

  • 集合方法的比较:在汇总人类判断进行预测时,预测竞赛的数据验证了哪种汇总方法最为准确。让参与者直接回答概率并进行统计集合的"预测调查"显示出与预测市场相当或更优的精度(Atanasov et al., 2017),在集合时将平均概率推向0或1方向的"极端化"也被证明能够提高精度(Satopää et al., 2014)。德尔菲法的精度提高条件(参与者多样性、反馈质量、迭代次数)也在综述中得到整理(Rowe & Wright, 1999)。相比会议形式的共识建立,匿名收集概率并进行统计集合更加准确,且无需投入预测市场的运营成本就能获得相当的精度,这是对实务的启示。
  • 大规模语言模型的出现与局限:2023年以后,大规模语言模型(LLM)作为预测者登场。由12种LLM组成的集合进行的预测显示出与925名人类集体智慧在统计上无法区分的精度(Schoenegger et al., 2024a),通过搜索补充最新信息并优化推理步骤的LLM正在逐个问题上接近人类预测集团(Halawi et al., 2024)。在给人类预测者配备LLM助手的实验中,助手的有无使精度有明显改善(Schoenegger et al., 2024b)。另一方面,在持续更新的基准对比中,最先进的LLM仍未达到训练有素的超级预测者的水平(Karger et al., 2024),完全自动化还有距离。
  • 达成的认识:作为认识达成,AI在探索、呈现基准率、草拟情景等预测的前置流程中能够大幅降低成本,而最终的概率判断和更新判断目前由训练有素的人类担任更为准确。"AI进行探索,人类进行判断,AI进行监督,人类进行更新"这样的分工是当前研究所示的最高精度配置。曾经只有国家和风险投资机构才能做到的水平的扫描,通过这种分工已经变得个人研究人员和普通事业公司也可以触及。

成长市场预测的局限

至此,我们已经整理了成长市场的信息源、手法、实践与最新研究。最后,让我们梳理市场预测固有的局限。局限可分为四个方面:人类的认知、市场结构、预测的自我指涉性、数据与手法。

认知的局限

  • 专家的预测精度:专家预测在长期大规模验证中被证明几乎与随机猜测相当。一项追踪284名专家约2.8万次预测长达20年的研究表明,专家的命中率与"掷飞镖的黑猩猩"几乎相同,用一个宏大理论解释一切的类型(刺猬型)成绩最差,灵活吸收杂乱信息的类型(狐狸型)相对优越(Tetlock, 2005)。在市场预测中,1980年代初美国电话电报公司(AT&T)委托进行的调查预测2000年美国移动电话合同数约为90万份,远低于实际的约1.09亿份超过100倍(The Economist, 1999)。在太阳能光伏方面,主要机构的装机量预测每年都低于实绩,即使实绩超过预测,次年的预测也未能充分上调(Creutzig et al., 2017)。
  • 偏差的规律性:偏差的方向具有规律性。第一,技术普及遵循S型曲线或指数函数,但人类倾向于直线延伸最近的趋势,因此产生"高估两年后的变化,低估十年后的变化"的错误(Gates, 1996; Rogers, 1962)。专家系统性地低估能源技术成本下降的现象已通过与统计模型的事后对比得到确认(Meng et al., 2021)。第二,破坏性创新登场时性能低、市场小,因此基于现有客户声音和现有市场数据的分析会判定其"微不足道"(Christensen, 1997)。第三,从"内部"逐项积累预测自己的项目时,计划谬误会系统性地产生乐观偏差。对258项公共事业的分析表明90%都低估了成本(Kahneman & Tversky, 1979; Flyvbjerg, Holm & Buhl, 2002)。
  • 研究人员的保守性:研究人员也存在同型偏差。研究人员倾向于采取集中于已确立热门领域的保守战略,但对新领域的下注虽然失败率高,成功时的影响力却很大,数百万篇论文表明作为集体,保守选择过度(Foster, Rzhetsky & Evans, 2015)。在增长已明显在所有人眼中的领域,竞争激烈,早期进入的收益已消失,只有与共识相悖的预测才能获得超额收益(Thiel & Masters, 2014)。

结构的局限

  • 风险与不确定性的区分:可预测的"风险"与不可预测的"不确定性"已被区分开来。对于可从历史频率计算概率的风险,相对而言不存在可参照的历史、概率本身无法定义的不确定性(奈特不确定性)则无从计算(Knight, 1921)。新市场的建立往往属于后者。此外,在结果分布大幅偏离正态分布的领域,稀有事件决定结果的大部分,因此平均预测会系统性地出错。风险投资和发明价值正具有这种分布,这已被实证确认(Taleb, 2007; Scherer & Harhoff, 2000; Kerr, Nanda & Rhodes-Kropf, 2014)。
  • 收益递增与路径依赖:在收益递增和路径依赖起作用的市场中,早期的小小偶然决定了胜者,事先无法预测。由于网络效应或学习效应,先行普及的技术会强化优势地位,因此技术上劣势的标准也可能占据市场。这个过程已被理论建模(Arthur, 1989),并通过QWERTY键盘排列虽在技术上并非最优却最终定着的历史得到例证(David, 1985)。"哪个市场会增长"可以预测,但"在该市场中谁会赢"在结构上很难预测。
  • 泡沫的结构性内置:通用技术的展开过程中,热狂与泡沫的阶段在结构上得到内置。自产业革命以来的五次技术革命均在导入期出现金融资本过度流入形成泡沫,经历崩溃后进入展开期(Perez, 2002)。即使正确预测了市场增长,在泡沫阶段进入或投资也会蒙受损失。预测的正确性与进入时期、价格的正确性需要分别验证。

自我指涉的局限

  • 自我实现的预言:社会现象的预测会因被预测本身而改变对象的行为。这种"自我实现的预言"结构是社会学的经典指摘(Merton, 1948),直接适用于市场预测。"这个市场会增长"的预期一旦广泛共享,进入者蜂拥而至,增长确实会实现,但每位进入者的收益却消失了。关于未来市场规模的预期确实在制药和汽车产业中因果性地推动了发明和进入,这已被确认(Acemoglu & Linn, 2004; Dubois et al., 2015; Aghion et al., 2016)。
  • "已织入"的问题:在投资的背景下,这种局限表现为"已织入"的问题。基于公开信息的预期已反映在价格中,因此众所周知的增长不会产生超额收益(Fama, 1970)。对成长产业、成长企业的投资出乎意料地带来低收益的"成长陷阱"源于对增长的期待已织入股价,导致以高估价格购入(Siegel, 2005)。看透增长与从该增长获利是两个不同的问题。
  • 古德哈特法则:当指标成为目标时,指标就失去了作为指标的价值。"某项统计量一旦成为政策目标,就失去作为统计量的可信度"这一法则(Goodhart, 1984)也适用于先行指标。如果专利申请数或招聘数被广泛认知为"成长市场的信号",那么带着这种意识的申请和招聘会增加,信号就会变成噪音。先行指标只有在作为指标被认知之前的期间,才拥有最高的预测力。

数据与手法的局限

  • 新市场缺乏数据:定量化方法需要历史数据,但新市场按定义没有过去。扩散模型系数直到普及率达到10-20%才能稳定估计 (Bass, 1969; Sultan, Farley & Lehmann, 1990),在此之前需要依靠参考类别预测来借用相似案例的系数 (Kahneman & Tversky, 1979)。然而,对何为"相似"的选择会影响结果,而这种选择本身取决于预测者的判断。统计模型超越专家的发现 (Meng et al., 2021) 是基于有数十年成本历史的技术得出的结论,不能直接应用于没有历史数据的技术。
  • 机器学习对制度转变的脆弱性:机器学习只能从过往模式中学习,在结构性变化阶段(制度转变)存在弱点。在使用10万个时间序列进行的大规模预测竞赛中,纯粹的机器学习方法表现不如简单的统计方法,多种方法的组合最为准确 (Makridakis, Spiliotis & Assimakopoulos, 2018; Makridakis et al., 2020)。关于大型语言模型,虽然有报告称其可与人类集体智慧相匹敌,但在不断更新的基准测试中仍未超越受过训练的超级预测者 (Schoenegger et al., 2024a; Karger et al., 2024)。
  • 信号检测中的假阳性:信号检测始终存在假阳性问题。新兴技术的定义本身包含不确定性 (Rotolo, Hicks & Martin, 2015),获得关注的技术随后失速的"炒作"并不罕见。描绘技术期望变化的"炒作周期"在实务中广泛使用,但其形状能否从经验上推广存在研究支持薄弱的问题 (Dedehayir & Steinert, 2016)。大多数微弱信号在事后看来只是噪声,没有导向任何结果。

基于局限性的认识高度

  • 概率、更新和组合:以上局限性不是放弃预测的理由,而是改变预测使用方式的理由。首先,预测的输出不是单一数值,而是概率分布,需要以区间的方式处理。其次,概率需要随着新信息的出现而更新,对已做出的预测过度坚持是最大的失败因素。受过训练的预测者相比信息分析官约领先30%的差距主要来自这种更新习惯 (Mellers et al., 2014; Tetlock & Gardner, 2015)。第三,不依赖单一方法而是组合多种方法的做法,在半个世纪的预测研究和最新竞赛中得到一致支持 (Armstrong, 2001; Makridakis et al., 2020)。
  • 通过远见补充:预测(forecasting)无法处理的不确定性由远见(foresight)来应对。对于无法准确预测的未来,描绘多个情景并监视先导指标,准备好应对任何情景的决策,比押注单一预测更为合理 (Schoemaker, 1995; Wack, 1985)。预测失误是因为方法有缺陷,而方法是可以改进的。然而,改进的方法也有其局限性,基于这些局限性进行决策设计是预测工作的下一步。

总结

本文对寻找成长市场的方法进行了系统阐述。这里整理的方法虽然无法确定地预测成长市场,但通过科学化方法能够尽可能高的概率进行预测。这些方法可被应用为在今后的人工智能时代预测市场发展方向的方法论。

参考文献

  • Acemoglu, D., & Linn, J. (2004). Market size in innovation: Theory and evidence from the pharmaceutical industry. Quarterly Journal of Economics, 119(3), 1049–1090.(实证了人口统计预期的市场规模决定新药开发方向的论文)
  • Aghion, P., Dechezleprêtre, A., Hémous, D., Martin, R., & Van Reenen, J. (2016). Carbon taxes, path dependency, and directed technical change: Evidence from the auto industry. Journal of Political Economy, 124(1), 1–51.(实证了燃料价格上升增加汽车制造商清洁技术专利的论文)
  • Aguilar, F. J. (1967). Scanning the business environment. Macmillan.(系统化企业外部环境扫描,成为PEST分析原型的著作)
  • Ahmadpoor, M., & Jones, B. F. (2017). The dual frontier: Patented inventions and prior scientific advance. Science, 357(6351), 583–587.(通过专利和论文引用网络测量科学与技术距离,证明市场价值高的专利更接近基础科学的论文)
  • Andreessen, M. (2011, August 20). Why software is eating the world. The Wall Street Journal.(展示软件重新编排各产业这一投资论题的评论)
  • Ansoff, H. I. (1975). Managing strategic surprise by response to weak signals. California Management Review, 18(2), 21–33.(提倡应对大变化先行的"微弱信号"的论文)
  • Armstrong, J. S. (Ed.). (2001). Principles of forecasting: A handbook for researchers and practitioners. Kluwer Academic Publishers.(汇总预测研究原则,证明方法组合能提高准确度的手册)
  • Arrow, K. J., Forsythe, R., Gorham, M., Hahn, R., Hanson, R., Ledyard, J. O., Levmore, S., Litan, R., Milgrom, P., Nelson, F. D., Neumann, G. R., Ottaviani, M., Schelling, T. C., Shiller, R. J., Smith, V. L., Snowberg, E., Sunstein, C. R., Tetlock, P. C., Tetlock, P. E., … Zitzewitz, E. (2008). The promise of prediction markets. Science, 320(5878), 877–878.(讨论预测市场的有效性和政策可能性的论文)
  • Arthur, W. B. (1989). Competing technologies, increasing returns, and lock-in by historical events. Economic Journal, 99(394), 116–131.(理论化了在收益递增下初期偶然性决定胜者,事先预测困难的论文)
  • Atanasov, P., Rescober, P., Stone, E., Swift, S. A., Servan-Schreiber, E., Tetlock, P., Ungar, L., & Mellers, B. (2017). Distilling the wisdom of crowds: Prediction markets vs. prediction polls. Management Science, 63(3), 691–706.(实证了统计汇总的预测调查与预测市场精度相当甚至更优的论文)
  • Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227.(用创新系数和模仿系数定式化新产品普及的Bass模型原论文)
  • Bass, F. M., Gordon, K., Ferguson, T. L., & Githens, M. L. (2001). DIRECTV: Forecasting diffusion of a new technology prior to product launch. Interfaces, 31(3), S82–S93.(报告用Bass模型在产品上市前预测卫星广播订户数,与实际结果基本一致的论文)
  • Bloom, N., Hassan, T. A., Kalyani, A., Lerner, J., & Tahoun, A. (2021). The diffusion of disruptive technologies (NBER Working Paper No. 28999). National Bureau of Economic Research.(从财报说明、专利和招聘信息文本追踪29项破坏性技术的企业间和地域间扩散的论文)
  • Boston Consulting Group. (1968). Perspectives on experience. Boston Consulting Group.(将赖特定律引入"经验曲线"经营战略的报告)
  • Bresnahan, T. F., & Trajtenberg, M. (1995). General purpose technologies: 'Engines of growth'? Journal of Econometrics, 65(1), 83–108.(证明通用技术通过互补创新连锁驱动增长的论文)
  • Bryar, C., & Carr, B. (2021). Working backwards: Insights, stories, and secrets from inside Amazon. St. Martin's Press.(内部人士解释Amazon以客户为中心的逆向工作流程的著作)
  • Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.(展示了投资于汎用技术如何通过补充性无形资产的整备才能反映到生产率中的J曲线)
  • Chen, K.-Y., & Plott, C. R. (2002). Information aggregation mechanisms: Concept, design and implementation for a sales forecasting problem (Social Science Working Paper No. 1131). California Institute of Technology.(报告了HP公司内部的预测市场超越官方销售预测的事例)
  • Christensen, C. M. (1997). The innovator's dilemma: When new technologies cause great firms to fail. Harvard Business School Press.(阐明了为什么破坏性创新在既有企业的市场分析中是看不见的)
  • Christensen, C. M., Hall, T., Dillon, K., & Duncan, D. S. (2016). Know your customers' "jobs to be done". Harvard Business Review, 94(9), 54–62.(解说了通过顾客的"需要完成的工作"来重新定义市场的工作理论)
  • Chu, J. S. G., & Evans, J. A. (2021). Slowed canonical progress in large fields of science. Proceedings of the National Academy of Sciences, 118(41), e2021636118.(显示了领域越是成熟和庞大,新想法就越难以确立)
  • Collantes, G., & Sperling, D. (2008). The origin of California's zero emission vehicle mandate. Transportation Research Part A: Policy and Practice, 42(10), 1302–1313.(分析了1990年加州零排放车辆监管的制定过程,显示了监管如何引导了电动汽车市场的起点)
  • Comin, D., & Hobijn, B. (2010). An exploration of technology diffusion. American Economic Review, 100(5), 2031–2059.(显示了从发明到普及的时间差平均达45年,这一差异解释了国家间的收入差距)
  • Costinot, A., Donaldson, D., Kyle, M., & Williams, H. (2019). The more we die, the more we sell? A simple test of the home-market effect. Quarterly Journal of Economics, 134(2), 843–894.(证实了疾病负担越大的国家其治疗药物的生产和出口越多,需求推动了生产地区的选择)
  • Cowgill, B., & Zitzewitz, E. (2015). Corporate prediction markets: Evidence from Google, Ford, and Firm X. Review of Economic Studies, 82(4), 1309–1341.(显示了Google和Ford的公司内部预测市场作为校准概率而发挥作用,修正了官方预测的乐观偏差)
  • Creutzig, F., Agoston, P., Goldschmidt, J. C., Luderer, G., Nemet, G., & Pietzcker, R. C. (2017). The underestimated potential of solar energy to mitigate climate change. Nature Energy, 2, 17140.(分析了主要机构对太阳能装机量的预测为何系统性地持续低估)
  • Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458–467.(报告了德尔菲法最初的实验性应用)
  • David, P. A. (1985). Clio and the economics of QWERTY. American Economic Review, 75(2), 332–337.(以QWERTY排列为例,显示了路径依赖如何使技术上非最优的标准统治市场)
  • David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361.(从电力生产率效应滞后约40年的历史显示了汎用技术的时间结构)
  • Day, G. S., & Schoemaker, P. J. H. (2006). Peripheral vision: Detecting the weak signals that will make or break your company. Harvard Business School Press.(显示了组织忽视微弱信号的原因,以及增强周边视野的方法)
  • Dedehayir, O., & Steinert, M. (2016). The hype cycle model: A review and future directions. Technological Forecasting and Social Change, 108, 28–41.(整理了关于炒作周期模型的形状是否能被实证性一般化的研究基础较弱)
  • Drucker, P. F. (1997). The future that has already happened. Harvard Business Review, 75(5), 20–24.(示范了如何将人口统计数据用作"已经发生的未来"来进行预测)
  • Dubois, P., de Mouzon, O., Scott-Morton, F., & Seabright, P. (2015). Market size and pharmaceutical innovation. RAND Journal of Economics, 46(4), 844–871.(推估出市场规模扩大1%会增加约0.2%的新药数量的弹性)
  • Ebadi, A., Auger, A., & Gauthier, Y. (2022). Detecting emerging technologies and their evolution using deep learning and weak signal analysis. Journal of Informetrics, 16(4), 101344.(展示了利用深度学习和微弱信号分析来检测新兴技术的方法)
  • The Economist. (1999, October 7). Cutting the cord.(报道了1980年代移动电话市场预测比实际结果低估100倍以上的事例)
  • Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308.(根据职业的任务组成推估了大规模语言模型将影响的劳动力市场范围)
  • European Commission Joint Research Centre. (2024). Weak signals in science and technologies 2024. Publications Office of the European Union.(欧盟每年发布的、在实际运营中使用的微弱信号检测报告)
  • Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance, 25(2), 383–417.(整理了公开信息已经反映在价格中的有效市场假说)
  • Farmer, J. D., & Lafond, F. (2016). How predictable is technological progress? Research Policy, 45(3), 647–665.(显示了基于学习曲线的技术成本概率预测具有实用精度)
  • Felin, T., & Zenger, T. R. (2017). The theory-based view: Economic actors as theorists. Strategy Science, 2(4), 258–271.(提出了市场的前景只有通过企业独特的理论才能被看见的理论基础战略观)
  • Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15.(将参照类预测应用于实务,显示了应对计划谬误的方法)
  • Flyvbjerg, B., Holm, M. S., & Buhl, S. (2002). Underestimating costs in public works projects: Error or lie? Journal of the American Planning Association, 68(3), 279–295.(显示258项基础设施项目中9成存在费用超支,支持了参照类预测的必要性)
  • Forsythe, R., Nelson, F., Neumann, G. R., & Wright, J. (1992). Anatomy of an experimental political stock market. American Economic Review, 82(5), 1142–1161.(报告爱荷华电子市场比民意调查更准确地预测选举结果的论文)
  • Foster, J. G., Rzhetsky, A., & Evans, J. A. (2015). Tradition and innovation in scientists' research strategies. American Sociological Review, 80(5), 875–908.(通过数百万篇论文展示研究人员采取保守的主题选择占主导地位,而对新领域的投入能产生高影响力的论文)
  • Fuchs, E. R. H. (2010). Rethinking the role of the state in technology development: DARPA and the case for embedded network governance. Research Policy, 39(9), 1133–1147.(分析DARPA在市场不存在阶段对技术领域进行投资的机制的论文)
  • Garfield, E. (1955). Citation indexes for science: A new dimension in documentation through association of ideas. Science, 122(3159), 108–111.(提出论文引用索引并奠定科学计量学基础的论文)
  • Gates, B. (1996). The road ahead (Rev. ed.). Penguin Books.(指出人类存在高估短期变化而低估长期变化倾向的著作)
  • Goldfarb, A., Taska, B., & Teodoridis, F. (2023). Could machine learning be a general purpose technology? A comparison of emerging technologies using data from online job postings. Research Policy, 52(1), 104653.(使用招聘信息验证机器学习是否满足通用技术条件的论文)
  • Goldin, C. (2006). The quiet revolution that transformed women's employment, education, and family. American Economic Review, 96(2), 1–21.(将女性就业和职业发展扩大分析为"安静的革命"的论文)
  • Gompers, P. A., Gornall, W., Kaplan, S. N., & Strebulaev, I. A. (2020). How do venture capitalists make decisions? Journal of Financial Economics, 135(1), 169–190.(通过对885名风险投资家的调查揭示投资决策因素和权重的论文)
  • Goodhart, C. A. E. (1984). Monetary theory and practice: The UK experience. Macmillan.(展示统计量一旦成为政策目标就失去指标可信度的"古德哈特法则"的著作)
  • Goodwin, P., Dyussekeneva, K., & Meeran, S. (2013). The use of analogies in forecasting the annual sales of new electronics products. IMA Journal of Management Mathematics, 24(4), 407–423.(展示使用类似产品类比法进行新产品销售预测比仅凭判断更准确的论文)
  • Graham, P. (2012). How to get startup ideas. Y Combinator.(展示"住在未来,创造缺失之物"的创业构想发现法的论文集)
  • Griliches, Z. (1957). Hybrid corn: An exploration in the economics of technological change. Econometrica, 25(4), 501–522.(定量分析杂交玉米普及S型曲线,证明普及速度与收益性成正比的论文)
  • Gross, B. (2015). The single biggest reason why start-ups succeed [Video]. TED Conferences.(通过对200多家公司的分析展示时机是成功最大因素的演讲)
  • Grove, A. S. (1996). Only the paranoid survive: How to exploit the crisis points that challenge every company. Currency Doubleday.(个人电脑产业从垂直整合向水平分工转变时当事人分析利润转移的著作)
  • Habegger, B. (2010). Strategic foresight in public policy: Reviewing the experiences of the UK, Singapore, and the Netherlands. Futures, 42(1), 49–58.(比较包括新加坡RAHS在内的各国政府前景预测制度的论文)
  • Halawi, D., Zhang, F., Yueh-Han, C., & Steinhardt, J. (2024). Approaching human-level forecasting with language models. arXiv preprint arXiv:2402.18563.(展示通过搜索补强信息的大语言模型精度接近人类预测团队的论文)
  • Hall, B. H., Jaffe, A., & Trajtenberg, M. (2005). Market value and patent citations. RAND Journal of Economics, 36(1), 16–38.(实证被引用次数多的专利对企业价值贡献更大的论文)
  • Hamming, R. W. (1986). You and your research [Lecture]. Bell Communications Research Colloquium Seminar.(论述产生重大成果的研究人员选择重要问题并早期进入开放领域的演讲)
  • Hayek, F. A. (1945). The use of knowledge in society. American Economic Review, 35(4), 519–530.(论述价格具有集约分散知识功能的论文,是预测市场理论基础)
  • Hill, R., Yin, Y., Stein, C., Wang, X., Wang, D., & Jones, B. F. (2025). The pivot penalty in research. Nature, 642, 999–1006.(通过大规模数据展示研究人员从专业领域转向其他主题时影响力下降的论文)
  • Jacobsson, S., & Lauber, V. (2006). The politics and policy of energy system transformation—explaining the German diffusion of renewable energy technology. Energy Policy, 34(3), 256–276.(分析德国可再生能源法的制定过程及其启动太阳能市场经历的论文)
  • Kahn, H., & Wiener, A. J. (1967). The year 2000: A framework for speculation on the next thirty-three years. Macmillan.(由RAND研究所发起的情景法系统化阐述,是情景规划的经典著作)
  • Kahneman, D., & Tversky, A. (1979). Intuitive prediction: Biases and corrective procedures. TIMS Studies in Management Science, 12, 313–327.(阐述计划谬误及通过外部视角(参照类别)修正程序的论文)
  • Karger, E., Bastani, H., Yueh-Han, C., Jacobs, Z., Halawi, D., Zhang, F., & Tetlock, P. E. (2024). ForecastBench: A dynamic benchmark of AI forecasting capabilities. arXiv preprint arXiv:2409.19839.(通过持续更新的基准展示最先进大语言模型仍未达到超级预测者水平的论文)
  • Karikó, K., Buckstein, M., Ni, H., & Weissman, D. (2005). Suppression of RNA recognition by Toll-like receptors: The impact of nucleoside modification and the evolutionary origin of RNA. Immunity, 23(2), 165–175.(展示mRNA疫苗基础的修饰核苷方法,成为2023年诺贝尔奖对象的论文)
  • Keating, G. (2012). Netflixed: The epic battle for America's eyeballs. Portfolio/Penguin.(描述Netflix从创立时起就预见配信转变,并替换自身主要业务经历的著作)
  • Kerr, W. R., Nanda, R., & Rhodes-Kropf, M. (2014). Entrepreneurship as experimentation. Journal of Economic Perspectives, 28(3), 25–48.(展示风险投资回报依赖于少数大成功的偏态分布,投资作为实验发挥功能的论文)
  • Kharas, H. (2017). The unprecedented expansion of the global middle class: An update (Global Economy & Development Working Paper No. 100). Brookings Institution.(估计了全球中间阶层人口的急速扩大和向亚洲集中的论文)
  • Knight, F. H. (1921). Risk, uncertainty and profit. Houghton Mifflin.(区分了可计算的风险和不可计算的不确定性的经济学经典著作)
  • Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.(用GPU训练的深层神经网络在图像识别中压倒性胜出,成为深层学习热潮起点的论文)
  • Lafond, F., Bailey, A. G., Bakker, J. D., Rebois, D., Zadourian, R., McSharry, P., & Farmer, J. D. (2018). How well do experience curves predict technological progress? A method for making distributional forecasts. Technological Forecasting and Social Change, 128, 104–117.(提出了基于经验曲线的概率分布预测方法,并在50多项技术上进行了验证的论文)
  • Lee, C., Kwon, O., Kim, M., & Kwon, D. (2018). Early identification of emerging technologies: A machine learning approach using multiple patent indicators. Technological Forecasting and Social Change, 127, 291–303.(展示了利用多个专利指标和机器学习早期识别新兴技术的方法的论文)
  • Lee, J., Veloso, F. M., & Hounshell, D. A. (2011). Linking induced technological change, and environmental regulation: Evidence from patenting in the U.S. auto industry. Research Policy, 40(9), 1240–1252.(实证证明了美国的排放物规制诱发了汽车产业的排放净化技术专利申请的论文)
  • Levitt, T. (1983). The marketing imagination. Free Press.(推广了"客户想要的是孔,而不是钻头"这一洞察的著作)
  • Lilien, G. L., Morrison, P. D., Searls, K., Sonnack, M., & von Hippel, E. (2002). Performance assessment of the lead user idea-generation process for new product development. Management Science, 48(8), 1042–1059.(证明了3M公司的主导用户法产生的销售潜力是常规方法约8倍的论文)
  • Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889.(表明纯粹的机器学习方法在性能上低于简单统计方法,整理了预测中机器学习限制的论文)
  • Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74.(报告了10万序列的预测竞赛中多种方法组合最准确的论文)
  • Marx, M., & Fuegi, A. (2020). Reliance on science: Worldwide front-page patent citations to scientific articles. Strategic Management Journal, 41(9), 1572–1594.(构建了专利引用论文的数据库,使科学与产业的联系能够大规模追踪的论文)
  • Mathews, J. A. (1997). A Silicon Valley of the East: Creating Taiwan's semiconductor industry. California Management Review, 39(4), 26–54.(分析了台湾政府通过ITRI和TSMC创建半导体产业过程的论文)
  • Mazzucato, M. (2013). The entrepreneurial state: Debunking public vs. private sector myths. Anthem Press.(证明了构成iPhone的许多主要技术来自公共研究资金,论述了国家先行投资角色的著作)
  • Mellers, B., Ungar, L., Baron, J., Ramos, J., Gurcay, B., Fincher, K., Scott, S. E., Moore, D., Atanasov, P., Swift, S. A., Murray, T., Stone, E., & Tetlock, P. E. (2014). Psychological strategies for winning a geopolitical forecasting tournament. Psychological Science, 25(5), 1106–1115.(在预测竞赛中实证证明了培训、团队化和概率更新能大幅提高预测精度的论文)
  • Meng, J., Way, R., Verdolini, E., & Diaz Anadon, L. (2021). Comparing expert elicitation and model-based probabilistic technology cost forecasts for the energy transition. Proceedings of the National Academy of Sciences, 118(27), e1917165118.(在能源技术成本预测中统计模型优于专家估计,表明专家低估成本下降的论文)
  • Merton, R. K. (1948). The self-fulfilling prophecy. Antioch Review, 8(2), 193–210.(规范化了预测改变对象行为从而自我实现的"自我成就预言"的论文)
  • Myers, K. (2020). The elasticity of science. American Economic Journal: Applied Economics, 12(4), 103–134.(利用NIH数据实证证明了研究者根据指定用途研究资金转变研究主题的论文)
  • Nagy, B., Farmer, J. D., Bui, Q. M., & Trancik, J. E. (2013). Statistical basis for predicting technological progress. PLoS ONE, 8(2), e52669.(在62项技术数据上验证了莱特定律预测力的论文)
  • Park, M., Leahey, E., & Funk, R. J. (2023). Papers and patents are becoming less disruptive over time. Nature, 613, 138–144.(通过4500万篇论文和390万项专利表明破坏性成果的比例持续下降的论文)
  • Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar.(通过5波浪潮展示了技术革命经历导入期、泡沫、转折点和展开期的著作)
  • Popp, D. (2002). Induced innovation and energy prices. American Economic Review, 92(1), 160–180.(实证证明了能源价格上升诱发节能技术专利申请的论文)
  • Porter, M. E., & van der Linde, C. (1995). Toward a new conception of the environment-competitiveness relationship. Journal of Economic Perspectives, 9(4), 97–118.(论述了适当设计的规制能促进创新和新市场的论文)
  • Raina, R., Madhavan, A., & Ng, A. Y. (2009). Large-scale deep unsupervised learning using graphics processors. Proceedings of the 26th Annual International Conference on Machine Learning, 873–880.(展示了GPU大幅加速深层学习训练的论文,成为GPU计算需求的先行信号)
  • Rogers, E. M. (1962). Diffusion of innovations. Free Press.(展示了创新普及呈S形曲线的普及理论原典)
  • Rohrbeck, R., & Kum, M. E. (2018). Corporate foresight and its impact on firm performance: A longitudinal analysis. Technological Forecasting and Social Change, 129, 105–116.(该论文实证证明了具有远见职能的企业在7年后表现出更高的利润率和增长率)
  • Rohrbeck, R., Battistella, C., & Huizingh, E. (2015). Corporate foresight: An emerging field with a rich tradition. Technological Forecasting and Social Change, 101, 1–9.(该论文整理了企业远见研究领域,并确立了其与预测的关系定位)
  • Rotolo, D., Hicks, D., & Martin, B. R. (2015). What is an emerging technology? Research Policy, 44(10), 1827–1843.(该论文用5个属性定义了新兴技术,为后续研究提供了共同的分析框架)
  • Rowe, G., & Wright, G. (1999). The Delphi technique as a forecasting tool: Issues and analysis. International Journal of Forecasting, 15(4), 353–375.(该论文通过实证研究综述验证了德尔菲法的预测准确性)
  • Ryan, B., & Gross, N. C. (1943). The diffusion of hybrid seed corn in two Iowa communities. Rural Sociology, 8(1), 15–24.(该论文最初发现创新采用呈现S形曲线,是普及研究的开创性之作)
  • Satopää, V. A., Baron, J., Foster, D. P., Mellers, B. A., Tetlock, P. E., & Ungar, L. H. (2014). Combining multiple probability predictions using a simple logit model. International Journal of Forecasting, 30(2), 344–356.(该论文表明将集团概率预测极端化后进行整合可以提高预测精度)
  • Scherer, F. M., & Harhoff, D. (2000). Technology policy for a world of skew-distributed outcomes. Research Policy, 29(4–5), 559–566.(该论文表明发明的经济价值呈现极度偏斜分布,少数发明占据价值的大部分)
  • Schmookler, J. (1966). Invention and economic growth. Harvard University Press.(该著作是需求拉动理论的经典之作,表明发明的方向受需求大小的驱动)
  • Schoemaker, P. J. H. (1995). Scenario planning: A tool for strategic thinking. Sloan Management Review, 36(2), 25–40.(该论文整理了情景规划的步骤和战略意义)
  • Schoemaker, P. J. H., & Day, G. S. (2009). How to make sense of weak signals. MIT Sloan Management Review, 50(3), 81–89.(该论文展示了系统性地检测和解释微弱信号的方法)
  • Schoenegger, P., Park, P. S., Karger, E., Trott, S., & Tetlock, P. E. (2024b). AI-augmented predictions: LLM assistants improve human forecasting accuracy. arXiv preprint arXiv:2402.07862.(该论文表明配备大语言模型助手的人类预测精度显著提升)
  • Schoenegger, P., Tuminauskaite, I., Park, P. S., & Tetlock, P. E. (2024a). Wisdom of the silicon crowd: LLM ensemble prediction capabilities rival human crowd accuracy. Science Advances, 10(45), eadp1528.(该论文表明大语言模型的集合预测能力与人类集体智慧相当)
  • Schwartz, P. (1991). The art of the long view: Planning for the future in an uncertain world. Doubleday.(该著作系统化了Shell公司的情景规划实践,描绘了对1986年原油价格崩盘的应对准备)
  • Siegel, J. J. (2005). The future for investors: Why the tried and the true triumph over the bold and the new. Crown Business.(该著作用长期数据证明了对成长产业的投资陷入"增长陷阱"而获得低回报)
  • Singh, A., Triulzi, G., & Magee, C. L. (2021). Technological improvement rate predictions for all technologies: Use of patent data and an extended domain description. Research Policy, 50(9), 104294.(该论文从专利数据预测了1,757个技术领域的年度改进率)
  • Sultan, F., Farley, J. U., & Lehmann, D. R. (1990). A meta-analysis of applications of diffusion models. Journal of Marketing Research, 27(1), 70–77.(该论文对213项Bass模型应用研究进行元分析,给出了创新系数和模仿系数的典型值)
  • Taleb, N. N. (2007). The black swan: The impact of the highly improbable. Random House.(该著作论述了结果分布偏离正态分布的领域中,稀有事件主导结果,平均预测会失误)
  • Tetlock, P. E. (2005). Expert political judgment: How good is it? How can we know? Princeton University Press.(该著作追踪专家预测20年,展示了其局限性和改进可能性)
  • Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The art and science of prediction. Crown.(该著作将预测体系化为可训练的技能)
  • Tetlock, P. E., Mellers, B. A., & Scoblic, J. P. (2017). Bringing probability judgments into policy debates via forecasting tournaments. Science, 355(6324), 481–483.(该论文提议将预测竞赛作为在政策辩论中引入概率思维的手段)
  • Thiel, P., & Masters, B. (2014). Zero to one: Notes on startups, or how to build the future. Crown Business.(该著作论述了对偏离共识的"隐藏真理"的投资)
  • Uzzi, B., Mukherjee, S., Stringer, M., & Jones, B. (2013). Atypical combinations and scientific impact. Science, 342(6157), 468–472.(该论文表明高影响力论文具有在常规知识基础上加入一点非常规组合的构成)
  • Valentine, D. (2010). View from the top [Lecture]. Stanford Graduate School of Business.(Sequoia Capital创始人讲述了将市场规模作为投资判断第一准则的思想)
  • von Hippel, E. (1976). The dominant role of users in the scientific instrument innovation process. Research Policy, 5(3), 212–239.(该论文表明科学仪器创新的77%来自用户,是引领用户法的原始论文)
  • von Hippel, E. (1986). Lead users: A source of novel product concepts. Management Science, 32(7), 791–805.(该论文是引领用户法的原始论文,表明先端用户能够预见未来需求)
  • von Hippel, E., Thomke, S., & Sonnack, M. (1999). Creating breakthroughs at 3M. Harvard Business Review, 77(5), 47–57.(该论文报告了3M医疗事业部利用引领用户法获得新产品概念的过程)
  • Wack, P. (1985). Scenarios: Uncharted waters ahead. Harvard Business Review, 63(5), 72–89.(该论文由当事人报告了Shell公司情景规划的实践)
  • Wang, J., Veugelers, R., & Stephan, P. (2017). Bias against novelty in science: A cautionary tale for users of bibliometric indicators. Research Policy, 46(8), 1416–1436.(该论文表明新颖性高的论文在短期内被低估,但长期具有高影响力)
  • Way, R., Ives, M. C., Mealy, P., & Farmer, J. D. (2022). Empirically grounded technology forecasts and the energy transition. Joule, 6(9), 2057–2082.(基于经验曲线的概率预测论文,表明能源转换推进越快总成本越低)
  • Wetterstrand, K. A. (2023). DNA sequencing costs: Data. National Human Genome Research Institute.(展示人类基因组测序成本变化趋势的公开数据)
  • Witt, S. (2025). The thinking machine: Jensen Huang, Nvidia, and the world's most coveted microchip. Viking.(描绘NVIDIA通过对CUDA的先发投资等待应用市场出现的著作)
  • Wolfers, J., & Zitzewitz, E. (2004). Prediction markets. Journal of Economic Perspectives, 18(2), 107–126.(综述预测市场理论与实证的论文)
  • Wright, T. P. (1936). Factors affecting the cost of airplanes. Journal of the Aeronautical Sciences, 3(4), 122–128.(发现累积生产量与成本下降关系的莱特法则原始论文)
  • Zhou, Y., Dong, F., Liu, Y., Li, Z., Du, J., & Zhang, L. (2020). Forecasting emerging technologies using data augmentation and deep learning. Scientometrics, 123, 1–29.(展示用数据增强和深度学习预测新兴技术的方法的论文)
  • Ziegler, M. S., & Trancik, J. E. (2021). Re-examining rates of lithium-ion battery technology improvement and cost decline. Energy & Environmental Science, 14(4), 1635–1651.(展示锂离子电池成本沿经验曲线下降的论文)
  • 国立社会保障・人口問題研究所. (2023). 日本の将来推計人口(令和5年推計). 人口問題研究資料第347号.(展示日本高龄化率变化趋势和未来推计的公开资料)
  • 科学技術・学術政策研究所. (2019). 第11回科学技術予測調査. NISTEP REPORT No. 183.(自1971年以来约每5年进行一次的日本德尔菲调查最新报告)

分享此文章